强化学习基础篇(三十三)Dyna算法

强化学习基础篇(三十三)Dyna算法

1、使用模型进行规划

基于模型的强化学习算法的主要成分可以分为学习(Learning)和规划(Planning)两个部分。学习是指从真实的经验轨迹数据集中学习环境模型,即学习环境的马尔科夫决策过程。

规划指基于环境模型,求解基于该模型的最有价值函数或最优策略,即求解该模型的马尔科决策过程。

具体而言,规划首先基于环境模型生成大量的模拟经验轨迹数据,随后使用Model-free的方法(例如Policy Gradient, Value Iteration)从生成的模拟经验轨迹数据中学习价值函数或策略函数。

Sample-Based Planning

基于采样的规划(Sample-Based Planning)是实现规划的简单方法,其基于模型生成采样数据:


然后使用蒙特卡洛控制,Sarsa或Q-Learning算法进行学习。

Q-planning算法

为了直观理解规划过程,可以看看Q-planning算法的具体流程, Q-planning算法以基于表格的Q-learning算法为基础,并从环境中进行随机采样,又被称为基于表格的随机采样Q-planning算法,算法流程如下:

  • (1)随机选择状态和动作,其中, , ;

  • (2)将状态状态和动作输入环境模型,环境模型返回奖励以及下一个状态;

  • (3)将模型经验作为Q-learning算法的输入:

  • (4)重复步骤(1)~步骤(3),直到获得理想的动作值函数或达到终止条件。

2、Dyna算法

之前说过学习(Learning)和规划(Planning),接下来介绍框架整合的Dyna算法,即同时包含学习过程和规划过程。在整合框架的更新价值函数的过程中,不仅使用环境模型生成的模拟经验数据:

同时也会使用与环境交互过程中获得的真实经验数据(,)。

其架构如下图:

image.png

框架中主要涉及的元素包括了:经验(Experience),模型(Model)以及价值/策略(value/policy)。其中经验主要由两方面用途:一方面用于环境模型的学习,并随后基于环境模型改进价值函数或者策略函数,该过程称为间接的强化学习;另一方面通过强化学习算法直接进行价值函数或者策略函数的更新,该过程称为直接强化学习(Direct RL)。

Dyna算法通过联合使用真实经验数据和模拟经验数据,能够在学习的过程中同时规划价值函数和策略函数,使得智能体在实际任务中获得更优的策略。

3、Dyna-Q算法

为了更好理解Dyan算法架构,这里给出基于表格的Dyna-Q算法的具体流程:

image.png

步骤(a)到步骤(e)基于真实的经验数据,步骤(f)则基于模拟经验数据。需要注意的是,步骤(f)主要用于改进智能体的策略,改进的程度由重复次数决定,越大,智能体在每次迭代中策略提升得越为明显。

智能体首先从历史状态空间中随机采样一个状态S, 随后根据该状态S使用过的动作中随机采样一个动作A,并基于状态S与动作Q,利用环境模型获得新的状态和奖励R。最后,根据Q-learning算法更新动作值函数。在下一轮迭代中,基于步骤(f)(即基于模拟经验数据)更新的动作值函数可作为真实动作值函数计算的依据和指导,能够让智能体在实际环境中更快,更好地完成任务。

你可能感兴趣的:(强化学习基础篇(三十三)Dyna算法)